人工智能及其应用蔡自兴第四版.pptxVIP

人工智能

神经计算模糊计算第四章计算智能(1)

ComputationalIntelligence

01信息科学与生命科学的相互交叉、相互渗透和相互促进是现代科学技术发展的一个显著特点。02计算智能涉及神经网络、模糊逻辑、进化计算和人工生命等领域，它的研究和发展正反映了当代科学技术多学科交叉与集成的重要发展趋势。4.1 概述

4.1概述把神经网络（NN）归类于人工智能（AI）可能不大合适，而归类于计算智能（CI）更能说明问题实质。进化计算、人工生命和模糊逻辑系统的某些课题，也都归类于计算智能。计算智能取决于制造者（manufacturers）提供的数值数据，不依赖于知识；另一方面，人工智能应用知识精品（knowledgetidbits）。人工神经网络应当称为计算神经网络。0102什么是计算智能

计算智能与人工智能的

区别和关系输入人类知识(＋)传感输入知识(＋)传感数据计算(＋)传感器C－数值的A－符号的B－生物的层次复杂性复杂性BNNBPRBIANNAPRAICNNCPRCI4.1概述

概述Artificial，表示人工的（非生物的）；上图由贝兹德克于1994年提出，表示ABC与神经网络（NN）、模式识别（PR）和智能（I）之间的关系表示物理的＋化学的＋（？）＝生物的；Biological，计算智能是一种智力方式的低层认知，它与人工智能的区别只是认知层次从中层下降至低层而已。中层系统含有知识（精品），低层系统则没有。Computational，表示数学＋计算机

定义1：当一个系统只涉及数值（低层）数据，含有模式识别部分，不应用人工智能意义上的知识，而且能够呈现出：（1）计算适应性；（2）计算容错性；（3）接近人的速度；（4）误差率与人相近，则该系统就是计算智能系统。定义2：当一个智能计算系统以非数值方式加上知识（精品）值，即成为人工智能系统。4.1概述

1943年麦卡洛克和皮茨提出神经网络模型（称为MP模型）的概念。20世纪60年代威德罗和霍夫提出自适应线性元件。60年代末期至80年代中期，整个神经网络研究处于低潮。80年代后期以来，人工神经网络研究得到复苏和发展，在模式识别、图象处理、自动控制等领域得到广泛应用。神经计算

人工神经网络研究的进展

人工神经网络的特性并行分布处理非线性映射通过训练进行学习适应与集成硬件实现神经计算

4.2.2人工神经网络的结构4.2神经计算-1?Wj1X1X2Wj2XnWjn···Σ?()Yi图4.2神经元模型1.神经元及其特性

图4.2中的神经元单元由多个输入xi，i=1,2,...,n和一个输出y组成。中间状态由输入信号的权和表示，而输出为（4.1）式中，?j为神经元单元的偏置（阈值），wji为连接权系数。n为输入信号数目，yj为神经元输出，t为时间，f()为输出变换函数，如图4.3。01神经计算02

(a)xf(x)1x00图4.3神经元中的某些变换（激发）函数(a)二值函数 (b)S形函数(c)双曲正切函数4.2神经计算(c)xf(x)1-1?(b)f(x)x1?0

2.人工神经网络的基本特性和结构人工神经网络是具有下列特性的有向图：对于每个节点i存在一个状态变量xi；从节点j至节点i，存在一个连接权系统数wji；对于每个节点i，存在一个阈值?i；对于每个节点i，定义一个变换函数fi；对于最一般的情况，此函数取形式。4.2神经计算

递归（反馈）网络:在递归网络中，多个神经元互连以组织一个互连神经网络，如图4.4。图4.4反馈网络x1x2xnV1V2Vn输入输出x1’x2’xn’4.2神经计算

前馈（多层）网络:前馈网络具有递阶分层结构，由同层神经元间不存在互连的层级组成，如图4.5。4.2神经计算x1x2输入层输出层隐层y1ynw11w1m图4.5前馈网络反向传播

有师学习算法：能够根据期望输出和实际网络输出（对应于给定输入）间的差别来调整神经元间连接的强度（权）。无师学习算法：不需要知道期望输出。强化学习算法：采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度（质量因数）。强化学习算法的一个例子是遗传算法（GA）。神经计算3.人工神经网络的主要学习算法

BP算法神经计算令输出结点家j的误差为 则k个训练样本的误差平方和为性能指标隐层到输出层的权值调整（梯度法）：输入层到隐层的权值调整（梯度法）： BP算法的权值调整方法：用小随机数初始化网络各层权值；样本数据输入；误差计算；权值变化量计算；权值调整BP网络的训练步骤：

4.2.3人工神经网